ESTADÍSTICAS GLOBALES DE YOUTUBE 2023
GRUPO 3:
- Elvis Dany Valentín Victorino
- Jonathan Jerry Castillo Rodríguez
- Juan Carlos Guerra Sandoval
- Raúl Raico Gallardo
PROBLEMA
¿Cómo alcanzar el éxito sostenido en Youtube?
OBJETIVOS
Analizar, procesar y describir el Dataset de Youtube.
Identificar a los youtuber más populares.
Analizar la variable que más influye en las ganancias de los youtubers.
Determinar el tipo de contenido más visto.
Identificar patrones y tendencias mas relevantes del Dataset.
HIPÓTESIS
Los youtubers más populares con más suscriptores son los que tienen mayores ganancias.
Los youtubers con más vistas son los que tienen mayores ganancias.
El tipo del contenido asegura el éxito del canal.
La Categoría de Educación se encuentra entre las menos visitadas en la Plataforma de Youtube.
DESCRIPCIÓN DEL DATASET
El conjunto de datos de Youtube que vamos a utilizar, ofrece una vía perfecta para analizar y obtener información valiosa de esta plataforma. Con detalles como el número de suscriptores de los principales creadores, las visualizaciones de vídeo, la frecuencia de subida, el país de origen, las ganancias y mucho más, este tesoro de información es una visita obligada para los aspirantes a creadores de contenido, los entusiastas de los datos y cualquier persona intrigada por el panorama del contenido en línea que está en constante evolución.
Enlace del Dataset (03/12/23): https://www.kaggle.com/datasets/nelgiriyewithana/global-youtube-statistics-2023
ANÁLISIS EXPLORATORIO DE DATOS (EDA)
Carga del Dataset
df<-read.csv('data/Global YouTube Statistics.csv', encoding ='UTF-8', sep = ',')Exploración del DataFrame
Variables
names(df)## [1] "rank"
## [2] "Youtuber"
## [3] "subscribers"
## [4] "video.views"
## [5] "category"
## [6] "Title"
## [7] "uploads"
## [8] "Country"
## [9] "Abbreviation"
## [10] "channel_type"
## [11] "video_views_rank"
## [12] "country_rank"
## [13] "channel_type_rank"
## [14] "video_views_for_the_last_30_days"
## [15] "lowest_monthly_earnings"
## [16] "highest_monthly_earnings"
## [17] "lowest_yearly_earnings"
## [18] "highest_yearly_earnings"
## [19] "subscribers_for_last_30_days"
## [20] "created_year"
## [21] "created_month"
## [22] "created_date"
## [23] "Gross.tertiary.education.enrollment...."
## [24] "Population"
## [25] "Unemployment.rate"
## [26] "Urban_population"
## [27] "Latitude"
## [28] "Longitude"Contenido superior de DataFrame
head(df)## rank Youtuber subscribers video.views category
## 1 1 T-Series 245000000 228000000000 Music
## 2 2 YouTube Movies 170000000 0 Film & Animation
## 3 3 MrBeast 166000000 28368841870 Entertainment
## 4 4 Cocomelon - Nursery Rhymes 162000000 164000000000 Education
## 5 5 SET India 159000000 148000000000 Shows
## 6 6 Music 119000000 0 nan
## Title uploads Country Abbreviation channel_type
## 1 T-Series 20082 India IN Music
## 2 youtubemovies 1 United States US Games
## 3 MrBeast 741 United States US Entertainment
## 4 Cocomelon - Nursery Rhymes 966 United States US Education
## 5 SET India 116536 India IN Entertainment
## 6 Music 0 nan nan Music
## video_views_rank country_rank channel_type_rank
## 1 1 1 1
## 2 4055159 7670 7423
## 3 48 1 1
## 4 2 2 1
## 5 3 2 2
## 6 4057944 NaN NaN
## video_views_for_the_last_30_days lowest_monthly_earnings
## 1 2.258e+09 564600
## 2 1.200e+01 0
## 3 1.348e+09 337000
## 4 1.975e+09 493800
## 5 1.824e+09 455900
## 6 NaN 0
## highest_monthly_earnings lowest_yearly_earnings highest_yearly_earnings
## 1 9.0e+06 6.8e+06 1.084e+08
## 2 5.0e-02 4.0e-02 5.800e-01
## 3 5.4e+06 4.0e+06 6.470e+07
## 4 7.9e+06 5.9e+06 9.480e+07
## 5 7.3e+06 5.5e+06 8.750e+07
## 6 0.0e+00 0.0e+00 0.000e+00
## subscribers_for_last_30_days created_year created_month created_date
## 1 2e+06 2006 Mar 13
## 2 NaN 2006 Mar 5
## 3 8e+06 2012 Feb 20
## 4 1e+06 2006 Sep 1
## 5 1e+06 2006 Sep 20
## 6 NaN 2013 Sep 24
## Gross.tertiary.education.enrollment.... Population Unemployment.rate
## 1 28.1 1366417754 5.36
## 2 88.2 328239523 14.70
## 3 88.2 328239523 14.70
## 4 88.2 328239523 14.70
## 5 28.1 1366417754 5.36
## 6 NaN NaN NaN
## Urban_population Latitude Longitude
## 1 471031528 20.59368 78.96288
## 2 270663028 37.09024 -95.71289
## 3 270663028 37.09024 -95.71289
## 4 270663028 37.09024 -95.71289
## 5 471031528 20.59368 78.96288
## 6 NaN NaN NaNFilas y columnas del DataFrame
dim(df)## [1] 995 28Resumen Estadístico
summary(df)## rank Youtuber subscribers video.views
## Min. : 1.0 Length:995 Min. : 12300000 Min. :0.000e+00
## 1st Qu.:249.5 Class :character 1st Qu.: 14500000 1st Qu.:4.288e+09
## Median :498.0 Mode :character Median : 17700000 Median :7.761e+09
## Mean :498.0 Mean : 22982412 Mean :1.104e+10
## 3rd Qu.:746.5 3rd Qu.: 24600000 3rd Qu.:1.355e+10
## Max. :995.0 Max. :245000000 Max. :2.280e+11
##
## category Title uploads Country
## Length:995 Length:995 Min. : 0.0 Length:995
## Class :character Class :character 1st Qu.: 194.5 Class :character
## Mode :character Mode :character Median : 729.0 Mode :character
## Mean : 9187.1
## 3rd Qu.: 2667.5
## Max. :301308.0
##
## Abbreviation channel_type video_views_rank country_rank
## Length:995 Length:995 Min. : 1 Min. : 1.0
## Class :character Class :character 1st Qu.: 323 1st Qu.: 11.0
## Mode :character Mode :character Median : 916 Median : 51.0
## Mean : 554249 Mean : 386.1
## 3rd Qu.: 3584 3rd Qu.: 123.0
## Max. :4057944 Max. :7741.0
## NA's :1 NA's :116
## channel_type_rank video_views_for_the_last_30_days lowest_monthly_earnings
## Min. : 1.0 Min. :1.000e+00 Min. : 0
## 1st Qu.: 27.0 1st Qu.:2.014e+07 1st Qu.: 2700
## Median : 65.5 Median :6.408e+07 Median : 13300
## Mean : 745.7 Mean :1.756e+08 Mean : 36886
## 3rd Qu.: 139.8 3rd Qu.:1.688e+08 3rd Qu.: 37900
## Max. :7741.0 Max. :6.589e+09 Max. :850900
## NA's :33 NA's :56
## highest_monthly_earnings lowest_yearly_earnings highest_yearly_earnings
## Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 43500 1st Qu.: 32650 1st Qu.: 521750
## Median : 212700 Median : 159500 Median : 2600000
## Mean : 589808 Mean : 442257 Mean : 7081814
## 3rd Qu.: 606800 3rd Qu.: 455100 3rd Qu.: 7300000
## Max. :13600000 Max. :10200000 Max. :163400000
##
## subscribers_for_last_30_days created_year created_month created_date
## Min. : 1 Min. :1970 Length:995 Min. : 1.00
## 1st Qu.: 100000 1st Qu.:2009 Class :character 1st Qu.: 8.00
## Median : 200000 Median :2013 Mode :character Median :16.00
## Mean : 349079 Mean :2013 Mean :15.75
## 3rd Qu.: 400000 3rd Qu.:2016 3rd Qu.:23.00
## Max. :8000000 Max. :2022 Max. :31.00
## NA's :337 NA's :5 NA's :5
## Gross.tertiary.education.enrollment.... Population Unemployment.rate
## Min. : 7.60 Min. :2.025e+05 Min. : 0.750
## 1st Qu.: 36.30 1st Qu.:8.336e+07 1st Qu.: 5.270
## Median : 68.00 Median :3.282e+08 Median : 9.365
## Mean : 63.63 Mean :4.304e+08 Mean : 9.279
## 3rd Qu.: 88.20 3rd Qu.:3.282e+08 3rd Qu.:14.700
## Max. :113.10 Max. :1.398e+09 Max. :14.720
## NA's :123 NA's :123 NA's :123
## Urban_population Latitude Longitude
## Min. : 35588 Min. :-38.42 Min. :-172.10
## 1st Qu.: 55908316 1st Qu.: 20.59 1st Qu.: -95.71
## Median :270663028 Median : 37.09 Median : -51.93
## Mean :224214982 Mean : 26.63 Mean : -14.13
## 3rd Qu.:270663028 3rd Qu.: 37.09 3rd Qu.: 78.96
## Max. :842933962 Max. : 61.92 Max. : 138.25
## NA's :123 NA's :123 NA's :123Podemos empezar a explorar la variable lowest_yearly_earnings y nos percatamos que:
Mínimo (Min.): La ganancia mínima al año es cero, lo que sugiere que hay casos en los que no se generan ingresos en YouTube.
Primer Cuartil (1st Qu.): El 25% de las ganancias anuales se encuentran por debajo de $32,650.
Mediana (Median): La mediana, que es la mitad de las ganancias, está en $159,500. Esto significa que el 50% de las ganancias están por encima de este valor y el 50% están por debajo.
Media (Mean): La media (o promedio) de las ganancias es $442,257, lo cual indica que, en promedio, las ganancias son más altas que la mediana. Esto podría deberse a la presencia de valores extremadamente altos.
Tercer Cuartil (3rd Qu.): El 75% de las ganancias anuales se encuentran por debajo de $455,100.
Máximo (Max.): La ganancia máxima anual es de $10,200,000. Este valor representa el extremo superior de las ganancias observadas en el conjunto de datos.
Como podemos apreciar, incluso en la variable lowest_yearly_earnings, la ganancia máxima de un Youtuber llega a $10,200,000, lo cual nos indica que estamos hablando de una industria que genera ganancias millonarias.
Estructura del DataFrame
str(df)## 'data.frame': 995 obs. of 28 variables:
## $ rank : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Youtuber : chr "T-Series" "YouTube Movies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ subscribers : int 245000000 170000000 166000000 162000000 159000000 119000000 112000000 111000000 106000000 98900000 ...
## $ video.views : num 2.28e+11 0.00 2.84e+10 1.64e+11 1.48e+11 ...
## $ category : chr "Music" "Film & Animation" "Entertainment" "Education" ...
## $ Title : chr "T-Series" "youtubemovies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ uploads : int 20082 1 741 966 116536 0 1111 4716 493 574 ...
## $ Country : chr "India" "United States" "United States" "United States" ...
## $ Abbreviation : chr "IN" "US" "US" "US" ...
## $ channel_type : chr "Music" "Games" "Entertainment" "Education" ...
## $ video_views_rank : int 1 4055159 48 2 3 4057944 5 44 630 8 ...
## $ country_rank : num 1 7670 1 2 2 NaN 3 1 5 5 ...
## $ channel_type_rank : num 1 7423 1 1 2 ...
## $ video_views_for_the_last_30_days : num 2.26e+09 1.20e+01 1.35e+09 1.98e+09 1.82e+09 ...
## $ lowest_monthly_earnings : num 564600 0 337000 493800 455900 ...
## $ highest_monthly_earnings : num 9.0e+06 5.0e-02 5.4e+06 7.9e+06 7.3e+06 ...
## $ lowest_yearly_earnings : num 6.8e+06 4.0e-02 4.0e+06 5.9e+06 5.5e+06 ...
## $ highest_yearly_earnings : num 1.08e+08 5.80e-01 6.47e+07 9.48e+07 8.75e+07 ...
## $ subscribers_for_last_30_days : num 2e+06 NaN 8e+06 1e+06 1e+06 NaN NaN NaN 1e+05 6e+05 ...
## $ created_year : num 2006 2006 2012 2006 2006 ...
## $ created_month : chr "Mar" "Mar" "Feb" "Sep" ...
## $ created_date : num 13 5 20 1 20 24 12 29 14 23 ...
## $ Gross.tertiary.education.enrollment....: num 28.1 88.2 88.2 88.2 28.1 NaN 88.2 63.2 81.9 88.2 ...
## $ Population : num 1.37e+09 3.28e+08 3.28e+08 3.28e+08 1.37e+09 ...
## $ Unemployment.rate : num 5.36 14.7 14.7 14.7 5.36 NaN 14.7 2.29 4.59 14.7 ...
## $ Urban_population : num 4.71e+08 2.71e+08 2.71e+08 2.71e+08 4.71e+08 ...
## $ Latitude : num 20.6 37.1 37.1 37.1 20.6 ...
## $ Longitude : num 79 -95.7 -95.7 -95.7 79 ...Valores no nulos por columna
non_null_count <- sapply(df, function(x) sum(!is.na(x)))
non_null_count## rank Youtuber
## 995 995
## subscribers video.views
## 995 995
## category Title
## 995 995
## uploads Country
## 995 995
## Abbreviation channel_type
## 995 995
## video_views_rank country_rank
## 994 879
## channel_type_rank video_views_for_the_last_30_days
## 962 939
## lowest_monthly_earnings highest_monthly_earnings
## 995 995
## lowest_yearly_earnings highest_yearly_earnings
## 995 995
## subscribers_for_last_30_days created_year
## 658 990
## created_month created_date
## 995 990
## Gross.tertiary.education.enrollment.... Population
## 872 872
## Unemployment.rate Urban_population
## 872 872
## Latitude Longitude
## 872 872Matriz de valores faltantes (nulos)
library(naniar)
naniar::vis_miss(df)
MANIPULACIÓN Y DESCRIPCIÓN DE DATOS
Por la información que nos muestra el gráfico anterior y debido a que todas las variables con valores nulos son irrelevantes para nuestro análisis, decidimos crear un nuevo dataframe, prescindiendo de dichas variables.
Nuevo DataFrame: df2 (sin variables con valores nulos o vacíos)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondf2 <- df %>%
select_if(~all(!is.na(.)) & all(. != ""))Matriz de valores faltantes de df2
naniar::vis_miss(df2)
str(df2)## 'data.frame': 995 obs. of 15 variables:
## $ rank : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Youtuber : chr "T-Series" "YouTube Movies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ subscribers : int 245000000 170000000 166000000 162000000 159000000 119000000 112000000 111000000 106000000 98900000 ...
## $ video.views : num 2.28e+11 0.00 2.84e+10 1.64e+11 1.48e+11 ...
## $ category : chr "Music" "Film & Animation" "Entertainment" "Education" ...
## $ Title : chr "T-Series" "youtubemovies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ uploads : int 20082 1 741 966 116536 0 1111 4716 493 574 ...
## $ Country : chr "India" "United States" "United States" "United States" ...
## $ Abbreviation : chr "IN" "US" "US" "US" ...
## $ channel_type : chr "Music" "Games" "Entertainment" "Education" ...
## $ lowest_monthly_earnings : num 564600 0 337000 493800 455900 ...
## $ highest_monthly_earnings: num 9.0e+06 5.0e-02 5.4e+06 7.9e+06 7.3e+06 ...
## $ lowest_yearly_earnings : num 6.8e+06 4.0e-02 4.0e+06 5.9e+06 5.5e+06 ...
## $ highest_yearly_earnings : num 1.08e+08 5.80e-01 6.47e+07 9.48e+07 8.75e+07 ...
## $ created_month : chr "Mar" "Mar" "Feb" "Sep" ...Nuevo DataFrame: df3 (con promedio de ganancias anuales)
df3 <- df2
#Se agrega la columna promedio de ganancias anuales.
df3$promedio_yearly_earnings <- rowMeans(df3[c("highest_yearly_earnings", "lowest_yearly_earnings")], na.rm = TRUE)Estructura de df3
str(df3)## 'data.frame': 995 obs. of 16 variables:
## $ rank : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Youtuber : chr "T-Series" "YouTube Movies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ subscribers : int 245000000 170000000 166000000 162000000 159000000 119000000 112000000 111000000 106000000 98900000 ...
## $ video.views : num 2.28e+11 0.00 2.84e+10 1.64e+11 1.48e+11 ...
## $ category : chr "Music" "Film & Animation" "Entertainment" "Education" ...
## $ Title : chr "T-Series" "youtubemovies" "MrBeast" "Cocomelon - Nursery Rhymes" ...
## $ uploads : int 20082 1 741 966 116536 0 1111 4716 493 574 ...
## $ Country : chr "India" "United States" "United States" "United States" ...
## $ Abbreviation : chr "IN" "US" "US" "US" ...
## $ channel_type : chr "Music" "Games" "Entertainment" "Education" ...
## $ lowest_monthly_earnings : num 564600 0 337000 493800 455900 ...
## $ highest_monthly_earnings: num 9.0e+06 5.0e-02 5.4e+06 7.9e+06 7.3e+06 ...
## $ lowest_yearly_earnings : num 6.8e+06 4.0e-02 4.0e+06 5.9e+06 5.5e+06 ...
## $ highest_yearly_earnings : num 1.08e+08 5.80e-01 6.47e+07 9.48e+07 8.75e+07 ...
## $ created_month : chr "Mar" "Mar" "Feb" "Sep" ...
## $ promedio_yearly_earnings: num 5.76e+07 3.10e-01 3.44e+07 5.04e+07 4.65e+07 ...summary(df3)## rank Youtuber subscribers video.views
## Min. : 1.0 Length:995 Min. : 12300000 Min. :0.000e+00
## 1st Qu.:249.5 Class :character 1st Qu.: 14500000 1st Qu.:4.288e+09
## Median :498.0 Mode :character Median : 17700000 Median :7.761e+09
## Mean :498.0 Mean : 22982412 Mean :1.104e+10
## 3rd Qu.:746.5 3rd Qu.: 24600000 3rd Qu.:1.355e+10
## Max. :995.0 Max. :245000000 Max. :2.280e+11
## category Title uploads Country
## Length:995 Length:995 Min. : 0.0 Length:995
## Class :character Class :character 1st Qu.: 194.5 Class :character
## Mode :character Mode :character Median : 729.0 Mode :character
## Mean : 9187.1
## 3rd Qu.: 2667.5
## Max. :301308.0
## Abbreviation channel_type lowest_monthly_earnings
## Length:995 Length:995 Min. : 0
## Class :character Class :character 1st Qu.: 2700
## Mode :character Mode :character Median : 13300
## Mean : 36886
## 3rd Qu.: 37900
## Max. :850900
## highest_monthly_earnings lowest_yearly_earnings highest_yearly_earnings
## Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 43500 1st Qu.: 32650 1st Qu.: 521750
## Median : 212700 Median : 159500 Median : 2600000
## Mean : 589808 Mean : 442257 Mean : 7081814
## 3rd Qu.: 606800 3rd Qu.: 455100 3rd Qu.: 7300000
## Max. :13600000 Max. :10200000 Max. :163400000
## created_month promedio_yearly_earnings
## Length:995 Min. : 0
## Class :character 1st Qu.: 277200
## Mode :character Median : 1379750
## Mean : 3762036
## 3rd Qu.: 3877550
## Max. :86800000Después de crear una variable que refleja las ganancias anuales (promedio_yearly_earnings) el cual resulta el promedio de las ganancias anuales más bajas y las ganancias anuales más altas, nos damos cuenta de lo siguiente:
Mínimo (Min.): El valor mínimo de las ganancias anuales es 0. Esto indica que hay canales que no generan ingresos durante el período considerado.
Primer Cuartil (1st Qu.): El 25% de los canales tienen ganancias anuales de 277,200 o menos. El primer cuartil es una medida que separa el 25% inferior de los datos.
Mediana (Median): La mediana de las ganancias anuales es 1,379,750. Esto significa que el 50% de los canales tienen ganancias anuales iguales o inferiores a este valor, y el 50% restante tiene ganancias superiores.
Media (Mean): La media de las ganancias anuales es 3,762,036. Esto es el promedio de todas las ganancias anuales y puede estar influenciado por valores atípicos en los extremos superiores.
Tercer Cuartil (3rd Qu.): El 75% de los canales tienen ganancias anuales de 3,877,550 o menos. El tercer cuartil separa el 25% superior de los datos.
Máximo (Max.): El valor máximo de las ganancias anuales es 86,800,000. Este es el canal con las ganancias más altas en el conjunto de datos.
Gráfico de Tendencias (Dispersión)
Gráfico de Dispersión de Promedio de ganacias anuales por números de vistas
library(ggplot2)
plot1 <- ggplot(df3, aes(x = video.views, y = promedio_yearly_earnings)) +
geom_point() +
geom_smooth(method = "lm", col = "red") +
ggtitle("Tendencia entre \n Vistas de Videos y \n Ganancias Anuales") +
theme_minimal()
plot2 <- ggplot(df3, aes(x = uploads, y = promedio_yearly_earnings)) +
geom_point() +
geom_smooth(method = "lm", col = "red") +
ggtitle("Tendencia entre \n Cargas y \n Ganancias Anuales") +
theme_minimal()
# Se crea un gráfico de dispersión con línea de regresión para 'subscribers' vs 'average_yearly_earnings'
plot3 <- ggplot(df3, aes(x = subscribers, y = promedio_yearly_earnings)) +
geom_point() +
geom_smooth(method = "lm", col = "red") +
ggtitle("Tendencia entre \n Suscriptores y \n Ganancias Anuales") +
theme_minimal()
# Se muestra los gráficos en una fila
library(gridExtra)##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinegrid.arrange(plot1, plot2, plot3, ncol = 2)## `geom_smooth()` using formula = 'y ~ x'## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
Podemos apreciar que entre Vistas de Videos y Ganancias Anuales existe una tendencia más marcada que entre Cargas de Videos y Ganancias Anuales, e incluso más que la de Suscriptores y Ganancias Anuales.
Mapa de Calor
library(ggplot2)
library(corrplot)## corrplot 0.92 loadeddf3_corr <- df3[, c('promedio_yearly_earnings', 'video.views', 'uploads', 'subscribers')]
# Se calcula la matriz de correlación
corr_matrix <- cor(df3_corr)
# Se crea un mapa de calor de la matriz de correlación con tonalidades de rojo
corrplot(corr_matrix, method = "color", type = "upper", col = colorRampPalette(c("white", "darkred"))(50), addCoef.col = "white", tl.cex = 0.7)
La correlación más alta del Promedio de Ganancia Anual es de 0.55 con respecto a las Vistas de Videos, la cual sugiere que es la variable que influye más en las ganancia de los Youtubers.
Promedio de ganancias anuales por Categorías
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(dplyr)
# Se filtra las filas donde la categoría no es "nan"
df3_filtered <- df3 %>%
filter(!is.na(category) & category != "nan")
# Se calcula el promedio de las ganancias anuales por categoría
categories <- df3_filtered %>%
group_by(category) %>%
summarise(promedio_yearly_earnings = mean(promedio_yearly_earnings)) %>%
arrange(desc(promedio_yearly_earnings))
# Se crea el gráfico de barras con degradado de colores
fig <- plot_ly(
data = categories,
x = ~reorder(category, promedio_yearly_earnings),
y = ~promedio_yearly_earnings,
type = "bar",
marker = list(color = ~promedio_yearly_earnings, colorscale = "Reds"),
text = ~paste(round(promedio_yearly_earnings / 1000000, 2), "M"),
hoverinfo = "text",
height = 500
)
# Se personaliza el diseño del gráfico
fig <- fig %>% layout(
title = "Promedio de ganancia anual por Categoría",
xaxis = list(title = "Categoría", titlefont_size = 16, categoryorder = "total descending"),
yaxis = list(title = "Promedio de ganancia anual", titlefont_size = 16),
showlegend = FALSE
)
# Se muestra el gráfico
figSe observa que la categoría con las ganancias anuales más altas es la de “Shows”, con un monto de 12.96 millones de dólares. Además, en el sexto lugar se encuentra la categoría de “Educación” que también tiene una ganancia anual considerable de 4,42 millones de dólares.
Nube de Palabras de los Youtubers con más Suscriptores
library(wordcloud2)
library(tm)## Loading required package: NLP##
## Attaching package: 'NLP'## The following object is masked from 'package:ggplot2':
##
## annotate# Se ajusta el código según la estructura exacta de tu conjunto de datos
df$Youtuber <- iconv(df$Youtuber, from = "UTF-8", to = "UTF-8", sub = "")
# Se crea un objeto Corpus para procesar el texto
corpus <- Corpus(VectorSource(df$Youtuber))
# Se limpia el texto de manera más exhaustiva
corpus <- tm_map(corpus, content_transformer(tolower))## Warning in tm_map.SimpleCorpus(corpus, content_transformer(tolower)):
## transformation drops documentscorpus <- tm_map(corpus, removePunctuation)## Warning in tm_map.SimpleCorpus(corpus, removePunctuation): transformation drops
## documentscorpus <- tm_map(corpus, removeNumbers)## Warning in tm_map.SimpleCorpus(corpus, removeNumbers): transformation drops
## documentscorpus <- tm_map(corpus, removeWords, stopwords("english"))## Warning in tm_map.SimpleCorpus(corpus, removeWords, stopwords("english")):
## transformation drops documentscorpus <- tm_map(corpus, stripWhitespace)## Warning in tm_map.SimpleCorpus(corpus, stripWhitespace): transformation drops
## documentscorpus <- tm_map(corpus, content_transformer(function(x) iconv(x, to = "UTF-8", sub =
" ")))## Warning in tm_map.SimpleCorpus(corpus, content_transformer(function(x) iconv(x,
## : transformation drops documents# Se crea un dataframe con el nombre del Youtuber y sus suscriptores
youtubers_data <- data.frame(Youtuber = sapply(corpus, function(x) as.character(x)),
Subscribers = df$subscribers)
library(colorRamps)
# Se define una paleta de colores de degradado rojo
red_palette <- colorRampPalette(c("White", "red"))
# Se especifica lana fuente Arial
font <- "Arial Narrow"
# Se crea el gráfico de nube de palabras con wordcloud2 y la fuente especificada
wordcloud2(data = youtubers_data, color = red_palette(100), backgroundColor = "black",
fontFamily = font)Entre los 100 primeros Youtubers con más subscriptores de nuestro dataset, podemos apreciar fácilmente que el nombre más grande es el de Tseries, seguido de Set india y Mrbeast.
Los 10 Youtubers con más Suscriptores (Millones)
library(ggplot2)
top10 <- head(df3, 10)
# Se ajusta el ancho completo del gráfico
ggplot(top10, aes(x = reorder(Youtuber, -subscribers), y = subscribers, fill = subscribers)) +
geom_bar(stat = "identity", width = 1.0) +
geom_text(aes(label = subscribers/1000000), vjust = -0.5, size = 2.4) +
labs(title = "Los 10 Youtubers con más Suscriptores (Millones)", x = "Youtuber", y = "suscripciones") +
theme(
axis.text.x = element_text(angle = 45, hjust = 1), # Ajusta el ángulo de las etiquetas en el eje x
plot.title = element_text(size = 10), # Ajusta el tamaño del título
plot.margin = margin(l = 1, r = 1, unit = "pt") # Ajusta los márgenes del gráfico
) +
scale_fill_gradient(low = "pink", high = "darkred") # Define el degradado de colores
Se observa que el canal más popular es “T-Series” con 245 millones de suscriptores.
Porcentaje de Canales por Categoría
df3_category <- df3[, "category", drop = FALSE]
df3_category_sin_nan <- df3_category[df3_category$category != "nan", , drop = FALSE]
str(df3_category_sin_nan)## 'data.frame': 949 obs. of 1 variable:
## $ category: chr "Music" "Film & Animation" "Entertainment" "Education" ...# Se calcula la frecuencia de cada valor en 'category'
category_counts <- table(df3_category_sin_nan$category)
# Se calcula los porcentajes
category_percentages <- prop.table(category_counts) * 100
# Se crea un dataframe con la información
category_summary <- data.frame(
category = names(category_counts),
count = as.numeric(category_counts),
percentage = as.numeric(category_percentages)
)
# Se muestra el resultado
category_summary## category count percentage
## 1 Autos & Vehicles 2 0.2107482
## 2 Comedy 69 7.2708114
## 3 Education 45 4.7418335
## 4 Entertainment 241 25.3951528
## 5 Film & Animation 46 4.8472076
## 6 Gaming 94 9.9051633
## 7 Howto & Style 40 4.2149631
## 8 Movies 2 0.2107482
## 9 Music 202 21.2855638
## 10 News & Politics 26 2.7397260
## 11 Nonprofits & Activism 2 0.2107482
## 12 People & Blogs 132 13.9093783
## 13 Pets & Animals 4 0.4214963
## 14 Science & Technology 17 1.7913593
## 15 Shows 13 1.3698630
## 16 Sports 11 1.1591149
## 17 Trailers 2 0.2107482
## 18 Travel & Events 1 0.1053741library(plotly)
library(dplyr)
# Se Calcula la frecuencia de cada categoría
category <- table(df3_category_sin_nan$category)
# Se ordena las categorías por frecuencia ascendente
category <- sort(category)
# Se crea el gráfico de pastel con plot_ly
pie_chart <- plot_ly(
labels = names(category),
values = category,
type = "pie",
marker = list(colors = colorRampPalette(c("green", "red"))(length(category)))
)
# Se personaliza el diseño del gráfico
pie_chart <- pie_chart %>% layout(
title = "Porentaje de Canales por Categorías de un total de 995",
uniformtext = list(minsize = 10, mode = 'hide'),
template = 'plotly_white'
)
# Se muestra el gráfico
pie_chartEl porcentaje de canales más alto, por categorías, es el de “Entretenimiento” con 25.4% con 241 canales.
Los 10 Países con mayor cantidad de Youtubers
df3_Country <- df3[, "Country", drop = FALSE]
df3_Country_sin_nan <- df3_Country[df3_Country$Country != "nan", , drop = FALSE]
str(df3_Country_sin_nan)## 'data.frame': 873 obs. of 1 variable:
## $ Country: chr "India" "United States" "United States" "United States" ...library(dplyr)
country_counts <- table(df3_Country_sin_nan$Country)
print(country_counts)##
## Afghanistan Andorra Argentina
## 1 1 13
## Australia Bangladesh Barbados
## 9 1 1
## Brazil Canada Chile
## 62 15 3
## China Colombia Cuba
## 1 11 1
## Ecuador Egypt El Salvador
## 2 2 1
## Finland France Germany
## 1 5 6
## India Indonesia Iraq
## 168 28 2
## Italy Japan Jordan
## 2 5 3
## Kuwait Latvia Malaysia
## 1 1 1
## Mexico Morocco Netherlands
## 33 1 3
## Pakistan Peru Philippines
## 6 1 12
## Russia Samoa Saudi Arabia
## 16 1 9
## Singapore South Korea Spain
## 3 17 22
## Sweden Switzerland Thailand
## 4 1 18
## Turkey Ukraine United Arab Emirates
## 4 8 7
## United Kingdom United States Venezuela
## 43 313 1
## Vietnam
## 3top_10_countries <- head(sort(country_counts, decreasing = TRUE), 10)
# Se muestran los 10 valores más altos
print(top_10_countries)##
## United States India Brazil United Kingdom Mexico
## 313 168 62 43 33
## Indonesia Spain Thailand South Korea Russia
## 28 22 18 17 16library(plotly)
# Se crea el gráfico de embudo
fig <- plot_ly(
type = "funnel",
x = top_10_countries,
textinfo = "value+text",
text = names(top_10_countries),
marker = list(
color = colorRampPalette(c("red", "pink"))(length(top_10_countries))
)
)
# Se personaliza el diseño del gráfico
fig <- fig %>% layout(
title = "Top 10 de Países con más de Youtubers",
template = 'plotly_white',
funnelmode = "stack", # Puedes ajustar según tus preferencias
funnelgap = 0.2, # Puedes ajustar según tus preferencias
textfont = list(size = 12) # Ajusta este valor según sea necesario
)
# Se muestra el gráfico
fig## Warning: 'layout' objects don't have these attributes: 'funnelmode', 'funnelgap', 'textfont'
## Valid attributes include:
## '_deprecated', 'activeshape', 'annotations', 'autosize', 'autotypenumbers', 'calendar', 'clickmode', 'coloraxis', 'colorscale', 'colorway', 'computed', 'datarevision', 'dragmode', 'editrevision', 'editType', 'font', 'geo', 'grid', 'height', 'hidesources', 'hoverdistance', 'hoverlabel', 'hovermode', 'images', 'legend', 'mapbox', 'margin', 'meta', 'metasrc', 'modebar', 'newshape', 'paper_bgcolor', 'plot_bgcolor', 'polar', 'scene', 'selectdirection', 'selectionrevision', 'separators', 'shapes', 'showlegend', 'sliders', 'smith', 'spikedistance', 'template', 'ternary', 'title', 'transition', 'uirevision', 'uniformtext', 'updatemenus', 'width', 'xaxis', 'yaxis', 'barmode', 'bargap', 'mapType'El país con mayor cantidad de youtubes es Estados Unidos con 313 canales.
Youtuber en el Mundo
library(dplyr)
library(plotly)
# Se calcula la frecuencia de cada país
conteos_por_pais <- df3_Country_sin_nan %>%
count(Country, name = "Contar_por_pais")
# Se combina el resultado con el dataframe original
df3_Country_sin_nan_2 <- left_join(df3_Country_sin_nan, conteos_por_pais, by = "Country")
# Se elimina duplicados en la variable país
df3_Country_sin_nan_2 <- df3_Country_sin_nan_2 %>%
distinct(Country, .keep_all = TRUE)
# Se define la escala de colores personalizada
custom_colorscale <- c(
c(0, "#115f9a"),
c(0.05, "#1984c5"),
c(0.1, "#22a7f0"),
c(0.2, "#48b5c4"),
c(0.4, "#76c68f"),
c(0.6, "#a6d75b"),
c(0.7, "#c9e52f"),
c(0.8, "#d0ee11"),
c(1, "#f4f100")
)
# Se crea el gráfico de coropletas
fig <- plot_ly(
data = df3_Country_sin_nan_2,
type = "choropleth",
locations = ~Country,
locationmode = "country names",
z = ~Contar_por_pais,
colorscale = custom_colorscale,
hoverinfo = "text",
text = ~paste("Nº Canales: ", Contar_por_pais),
title = "Distribución de Canales en el Mundo"
)
# Se personaliza el diseño del gráfico
fig <- fig %>% layout(
title = list(text = "Distribución de Canales en el Mundo", x = 0.3),
title_font = list(size = 18),
height = 630,
width = 1100,
geo = list(
showcoastlines = TRUE,
coastlinecolor = "Black",
showland = TRUE,
landcolor = "LightGray",
showocean = TRUE,
oceancolor = "LightBlue"
)
)## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()# Se muestra el gráfico
fig## Warning: 'layout' objects don't have these attributes: 'title_font'
## Valid attributes include:
## '_deprecated', 'activeshape', 'annotations', 'autosize', 'autotypenumbers', 'calendar', 'clickmode', 'coloraxis', 'colorscale', 'colorway', 'computed', 'datarevision', 'dragmode', 'editrevision', 'editType', 'font', 'geo', 'grid', 'height', 'hidesources', 'hoverdistance', 'hoverlabel', 'hovermode', 'images', 'legend', 'mapbox', 'margin', 'meta', 'metasrc', 'modebar', 'newshape', 'paper_bgcolor', 'plot_bgcolor', 'polar', 'scene', 'selectdirection', 'selectionrevision', 'separators', 'shapes', 'showlegend', 'sliders', 'smith', 'spikedistance', 'template', 'ternary', 'title', 'transition', 'uirevision', 'uniformtext', 'updatemenus', 'width', 'xaxis', 'yaxis', 'barmode', 'bargap', 'mapType'## Warning: 'choropleth' objects don't have these attributes: 'title'
## Valid attributes include:
## 'autocolorscale', 'coloraxis', 'colorbar', 'colorscale', 'customdata', 'customdatasrc', 'featureidkey', 'geo', 'geojson', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'legendgroup', 'legendgrouptitle', 'legendrank', 'locationmode', 'locations', 'locationssrc', 'marker', 'meta', 'metasrc', 'name', 'reversescale', 'selected', 'selectedpoints', 'showlegend', 'showscale', 'stream', 'text', 'textsrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'z', 'zauto', 'zmax', 'zmid', 'zmin', 'zsrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'print("--->")## [1] "--->"La mayor cantidad de youtubers del mundo se encuentran en Estados Unidos. Y en Sudamérica se encuentran en Brasil.
Promedio de Ganancias anuales por País
library(plotly)
library(dplyr)
# Se filtra las filas donde la categoría no es "nan"
df3_filtered <- df3 %>%
filter(!is.na(Country) & Country != "nan")
# Se calcula el promedio de las ganancias anuales por país
Country <- df3_filtered %>%
group_by(Country) %>%
summarise(promedio_yearly_earnings = mean(promedio_yearly_earnings)) %>%
arrange(desc(promedio_yearly_earnings))
# Se crea el gráfico de barras con degradado de colores
fig <- plot_ly(
data = Country,
x = ~reorder(Country, promedio_yearly_earnings),
y = ~promedio_yearly_earnings,
type = "bar",
marker = list(color = ~promedio_yearly_earnings, colorscale = "Reds"),
text = ~paste(Country, round(promedio_yearly_earnings / 1000000, 2), "M"),
hoverinfo = "text",
height = 500
)
# Se personaliza el diseño del gráfico
fig <- fig %>% layout(
title = "Ganancia anual promedio por país",
xaxis = list(title = "País", titlefont_size = 16, categoryorder = "total descending"),
yaxis = list(title = "Ganancia anual promedio", titlefont_size = 16),
showlegend = FALSE
)
# Se muestra el gráfico
figLetonia (Latvia) es el país con el promedio más alto de ganancias anuales, con 31.75 millones de dólares.
Ganancias Anuales Promedio de Youtubers por Suscriptores
library(dplyr)
df3_youtuber_ganancia <- df3
df3_top_10 <- df3_youtuber_ganancia %>%
top_n(10, promedio_yearly_earnings)
# Se muestra el nuevo conjunto de datos con las 10 cifras más altas
df3_top_10## rank Youtuber subscribers video.views
## 1 1 T-Series 245000000 228000000000
## 2 4 Cocomelon - Nursery Rhymes 162000000 164000000000
## 3 5 SET India 159000000 148000000000
## 4 16 Sony SAB 83000000 101000000000
## 5 22 Zee TV 70500000 73139054467
## 6 84 GR6 EXPLODE 38900000 25154232306
## 7 140 StarPlus 32000000 26800674545
## 8 303 KL BRO Biju Rithvik 22800000 17988347989
## 9 418 DaFuq!?Boom! 19600000 7906181776
## 10 496 \xfd\xfd\xfd\xfd\xfd\xfd\xfd\xfd\xfd KIMPRO 17700000 19206701832
## category Title uploads
## 1 Music T-Series 20082
## 2 Education Cocomelon - Nursery Rhymes 966
## 3 Shows SET India 116536
## 4 Shows Sony SAB 71270
## 5 Entertainment Zee TV 129204
## 6 Music GR6 EXPLODE 3043
## 7 Entertainment StarPlus 44892
## 8 Entertainment KL BRO Biju Rithvik 1841
## 9 Film & Animation DaFuq!?Boom! 214
## 10 nan \xfd\xfd\xfd\xfd\xfd\xfd\xfd\xfd\xfd KIMPRO 1646
## Country Abbreviation channel_type lowest_monthly_earnings
## 1 India IN Music 564600
## 2 United States US Education 493800
## 3 India IN Entertainment 455900
## 4 India IN Entertainment 414300
## 5 India IN Entertainment 426800
## 6 Brazil BR Music 408700
## 7 India IN Entertainment 416800
## 8 nan nan Entertainment 508100
## 9 United States US Entertainment 576000
## 10 South Korea KR People 850900
## highest_monthly_earnings lowest_yearly_earnings highest_yearly_earnings
## 1 9000000 6800000 108400000
## 2 7900000 5900000 94800000
## 3 7300000 5500000 87500000
## 4 6600000 5000000 79600000
## 5 6800000 5100000 81900000
## 6 6500000 4900000 78500000
## 7 6700000 5000000 80000000
## 8 8100000 6100000 97600000
## 9 9200000 6900000 110600000
## 10 13600000 10200000 163400000
## created_month promedio_yearly_earnings
## 1 Mar 57600000
## 2 Sep 50350000
## 3 Sep 46500000
## 4 Aug 42300000
## 5 Dec 43500000
## 6 Aug 41700000
## 7 May 42500000
## 8 Jul 51850000
## 9 Jun 58750000
## 10 Nov 86800000df3_top_10$Youtuber <- iconv(df3_top_10$Youtuber, from = "UTF-8", to = "UTF-8", sub = "")
library(ggplot2)
# Se ajusta el tamaño del texto
ggplot(df3_top_10, aes(x = Youtuber, y = subscribers, fill = promedio_yearly_earnings)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0("$", promedio_yearly_earnings/1000000,"M")), vjust = -0.5, size = 2.4) + # Ajusta el tamaño del texto
scale_fill_gradient(low = "lightcoral", high = "darkred") +
theme_minimal() +
labs(
title = "Ganancias Anuales Promedio de Youtubers por Suscriptores",
x = "Youtuber",
y = "Subscriptores",
#caption = "Ganancia anual promedio"
) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
“Kimpro” es el canal de youtube que tiene el promedio más alto de ganancias anuales, con 86.8 millones de dólares, a pesar de no tener la mayor cantidad de suscriptores.
DISCUSIÓN DE RESULTADOS
El presente trabajo ha contribuido considerablemente en la formación de los integrantes del grupo, al analizar, procesar y describir datos del Dataset ya mencionado.
Las empresas así como los creadores de material multimedia, para asegurar el éxito en youtube, deben considerar el tipo de contenido que desean difundir a su audiencia.
Las empresas del entrenimiento, la educación y los negocios en general, según lo demostrado en el presente trabajo, deberían invertir en promocionar sus productos y/o servicios en Youtube.
Los Youtubers o Canales de Youtube, pueden generar ingresos económicos millonarios debido a su alcance mundial, pero también se debe tener en cuenta que no todos los canales generan altos ingresos económicos.
PRINCIPALES LIMITACIONES
Dataset con cantidad de datos insuficiente para análisis más profundos y detallados.
Dataset con variables que contienen con valores nulos y vacíos.
Experiencia limitada de los integrantes del grupo en el análisis y tratamientos de datos.
CONCLUSIONES
Según los resultados y hallazgos del presente trabajo, podemos concluir que:
El éxito (económico, publicitario, académico, etc.) en Youtube depende principalmente del número de vistas de los videos, entendiéndose también que el número de subscriptores no influye determinantemente en las ganancias de los Youtubers.
El país que más youtubers tiene no necesariamente es el que obtiene mayores ganancias.
La categoria de “Entretenimiento” es la que tiene la mayor cantidad de vistas. Y la que tiene menor cantidad de vistas es la de “Viajes y eventos”.
El Top 10 de los youtubers del presente trabajo, identifica al canal “T Series” de India con el mayor número de suscriptores, 245 Millones. Y con el menor número de suscriptores al canal “Vlad and Niki” de Estados Unidos con 98.9 Millones.
Finalmente, Youtube ha desmostrado ser una plataforma porderosa de alcance mundial que ha transformado la forma de difusión y consumo de contenido audio visual y a la vez brinda oportunidades considerables a las empresas y/o creadores audiovisuales de todo el mundo.